1.2 机器学习与深度学习

1.2.1 机器学习的含义

机器学习（Machine Learning,ML）专门研究计算机模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习最基本的做法，就是使用算法解析数据并从中学习，然后对真实世界中的事件做出决策和预测。与传统的为完成特定任务、硬编码的软件程序不同，机器学习使用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。例如，邮箱里有自动垃圾邮件分类程序，它的工作就是收到一封邮件后，通过查看内容判断它是否为垃圾邮件。那么，它是如何判断的呢？首先需要一堆邮件，提取判断邮件正常与否的特征数据（如关键词、词频等），并对其中的普通邮件和垃圾邮件进行标注；随后，可以通过某种算法来构建一个模型，然后用数据进行训练，得到一条回归曲线，收到一封邮件后，判断它与曲线的距离，如果远离正常邮件回归曲线，则认为是垃圾邮件。构建的模型从数据中学习以判断垃圾邮件，这就是机器学习。垃圾邮件分类过程如图1-15所示。

图1-15 垃圾邮件分类过程

机器学习源于早期的人工智能领域。传统的人工智能算法包括决策树学习、推导逻辑规划、聚类、分类、回归、强化学习和贝叶斯网络等（当然除此之外还有很多）。

机器学习较成功的应用领域是计算机视觉领域，但仍需要大量的手工编码来完成工作。人们需要手工编写分类器、边缘检测滤波器，以便让程序能识别拍摄到的物体从哪里开始，到哪里结束；编写形状检测程序来判断检测对象是不是有8条边；编写分类器来识别字母序列“S-T-O-P”。使用以上这些手工编写的程序，人们可以开发算法来感知图像，判断图像是不是一个停止标志牌。这个算法的效果尚可，但并不完美，特别是遇到云雾天，标志牌变得不那么清晰可见的，或者被树遮挡住一部分时，算法就可能难以成功了。这就是为什么相当长的一段时间内，计算机视觉的处理能力一直无法接近人眼的处理能力，它比较僵化，比较容易受环境条件的干扰。随着时间的推进，机器学习算法的发展改变了一切。